02 de octubre de 2026
Automatización de paneles para el monitoreo del rendimiento en email marketing
Automatización de Paneles de Control para Monitoreo de Rendimiento en Marketing por Correo Electrónico
Enzo Vaz Pinheiro; Henrique Raymundo Gioia
DOI: 10.22167/2675-6528-202602862
Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.
Resumen
El crecimiento de las estrategias de marketing digital ha ampliado el volumen de datos, haciendo que el análisis del rendimiento de las campañas sea esencial para la toma de decisiones basada en datos. Se evaluó el impacto de la automatización del proceso de recopilación, consolidación y visualización de datos de email marketing en la eficiencia operativa y la consistencia analítica. La investigación utilizó un enfoque cualitativo y un diseño de estudio de caso. El flujo desarrollado integró la extracción de datos mediante consultas SQL en un entorno de automatización de marketing, la consolidación y el cálculo de indicadores a través de Google Apps Script, y la actualización automática en un dashboard gerencial en Looker Studio. Los resultados demostraron que la automatización redujo significativamente el esfuerzo operativo, disminuyendo el tiempo de consolidación de datos de aproximadamente 8 horas semanales a menos de 1 hora por semana. Además, la solución promovió una mayor estandarización de las métricas, trazabilidad de los cálculos y agilidad en la generación de análisis. Se concluyó que la automatización de dashboards constituye un instrumento eficaz de apoyo a la gestión basada en datos, con potencial de aplicación en otros canales de comunicación digital.
Palabras clave: Automatización de datos; Inteligencia de negocios; Panel gerencial; Eficiencia operativa; Email marketing.
1. Introducción
El avance de las estrategias de marketing digital ha ampliado significativamente el volumen de datos generados en las interacciones entre empresas y clientes. En este escenario, la transformación de registros operativos en indicadores confiables se vuelve determinante para la toma de decisiones en organizaciones orientadas por datos. El valor analítico de estos datos depende de procesos consistentes de recopilación, tratamiento e interpretación (Davenport y Harris, 2007; Provost y Fawcett, 2013).
En el contexto del email marketing, la medición de envíos, entregas, aperturas, clics y conversiones es fundamental para seguir el desempeño con granularidad y apoyar decisiones tácticas y estratégicas. Kotler y Keller (2016) resaltan la relevancia de las métricas para evaluar la efectividad de las acciones de comunicación y relación con los clientes.
A pesar de la disponibilidad de estas métricas, muchas organizaciones todavía enfrentan dificultades para consolidar y estandarizar los datos en bases comparables. En operaciones que involucran múltiples campañas y diversas fuentes de datos, es común que la actualización de informes y paneles dependa de rutinas manuales de extracción, tratamiento en hojas de cálculo y republicación.
Este flujo manual consume un tiempo operativo considerable, reduce la trazabilidad de la información y eleva la probabilidad de inconsistencias en los datos. La dependencia de intervenciones humanas en diversas fases del proceso, incluyendo la extracción de informes, el tratamiento, la estandarización, el cálculo de indicadores y la actualización de dashboards, aumenta el riesgo de divergencias entre versiones y dificulta la reutilización del proceso para otros canales.
La estandarización de métricas y reglas de negocio es una condición esencial para análisis comparativos confiables, como señalan Kimball y Ross (2013). Como alternativa a estos desafíos, la automatización de dashboards centraliza indicadores y reglas, entrega resultados actualizados de forma consistente y reduce la dependencia de intervención humana, optimizando la eficiencia operativa y la consistencia analítica.
Ante la necesidad de optimizar la gestión de datos en email marketing y superar las limitaciones de los procesos manuales, este estudio se justifica por la búsqueda de soluciones que mejoren la eficiencia operativa y la consistencia analítica. Así, el presente estudio tuvo como objetivo evaluar el impacto de la automatización del proceso de recolección, consolidación y visualización de datos de email marketing sobre la eficiencia operativa y la consistencia analítica.
2. Material y Métodos
La investigación desarrollada presentó un carácter aplicado, con un enfoque cualitativo y naturaleza descriptivo-exploratoria, centrada en el desarrollo y evaluación de una solución práctica de automatización de procesos de Business Intelligence en el contexto del e-mail marketing. El diseño adoptado fue un estudio de caso, investigando un fenómeno contemporáneo en su contexto de aplicación y documentando la lógica del proceso y de la solución implementada (Creswell, 2014; Gil, 2008; Yin, 2015).
La unidad de análisis correspondió a campañas de e-mail marketing, donde cada campaña representó una unidad para consolidación y análisis comparativo. La base de datos utilizada se originó a partir de datos reales de campañas de e-mail marketing, recopilados en el contexto operativo del autor. Para garantizar la confidencialidad y preservar información sensible de la organización, se aplicaron técnicas de anonimización, como la alteración de nombres de campañas y la eliminación de identificadores directos.
La extracción de los datos se estructuró en base a una ventana temporal móvil de siete días, con actualización semanal para la generación del informe. La evaluación metodológica consideró ejecuciones recurrentes del proceso entre diciembre de 2025 y abril de 2026, permitiendo observar el comportamiento de los indicadores en diferentes ciclos semanales. Los datos siguieron la lógica de un embudo de marketing, con volúmenes decrecientes de envíos, entregas, aperturas, clics y conversiones, garantizando consistencia analítica.
El flujo de datos concebido para el prototipo contempló tres capas principales. La capa de origen utilizó un entorno de automatización de marketing compatible con Automation Studio de plataformas como Salesforce Marketing Cloud (ExactTarget). Se modeló una rutina programada para ejecutar periódicamente consultas SQL sobre tablas de seguimiento de campañas de correo electrónico (_Sent, _Open y _Click), relacionadas con la tabla de configuración de envíos (_Job). Los resultados se almacenaron en Data Extensions, sirviendo como bases intermedias.
La consulta SQL fue diseñada para contabilizar, para cada campaña, el número de destinatarios únicos que recibieron el mensaje y los usuarios únicos que realizaron al menos una apertura en el período analizado. Se consideraron solo campañas vinculadas a jornadas de conversión, identificadas por convenciones en el nombre de las piezas, como términos asociados a invitaciones, calentamiento y promociones, y por su relación previa con bases transaccionales de ventas.
En la capa intermedia de consolidación, los datos se disponibilizaron en una hoja de cálculo y se procesaron mediante Google Apps Script. El código desarrollado realizó la lectura de los registros, el agrupamiento de la información por campaña, el cálculo automático de los indicadores de desempeño y la grabación de los resultados en una pestaña de resumen, sustituyendo procedimientos de tratamiento manual. La capa analítica utilizó Looker Studio para la visualización de los datos consolidados en formato de dashboard, empleando indicadores, tablas, gráficos y filtros.
Se consideraron variables operacionales del canal de correo electrónico, como eventos de envío, entrega, apertura, clic y conversión, además de indicadores derivados. Entre los indicadores calculados, destacaron la tasa de entrega, tasa de apertura, tasa de clic y tasa de conversión. Se optó por el uso de tasas ponderadas, calculadas a partir de los volúmenes efectivos de entregas e interacciones, para evitar distorsiones analíticas. La estandarización conceptual de las métricas fue un principio seguido en la definición de los indicadores, con el objetivo de garantizar comparabilidad y consistencia analítica (Kimball y Ross, 2013; Farris et al., 2010; Martins y Costa Neto, 1998).
Para garantizar la transparencia y la reproducibilidad, se pusieron a disposición en un repositorio público el script de automatización (Google Apps Script), la consulta Structured Query Language [SQL] y una versión anonimizada de la base de datos (Pinheiro, 2026). La base se puso a disposición en formato Comma-Separated Values [CSV], preservando la estructura y las relaciones entre las variables observadas. La documentación de los procedimientos y del código contribuyó a la trazabilidad y auditabilidad de las decisiones técnicas, ampliando la confiabilidad en investigaciones cualitativas (Creswell, 2014; Lakatos y Marconi, 2017).
3. Resultados y Discusión
El análisis de los resultados de la investigación permitió una comprensión profunda del impacto de la automatización en el proceso de recopilación, consolidación y visualización de datos de email marketing. El estudio demostró la relevancia de un flujo de trabajo estandarizado y automatizado para optimizar la eficiencia operativa y la consistencia analítica, según lo propuesto por el objetivo central. Los hallazgos revelan que la transición de un modelo manual a un sistema automatizado no solo reduce el tiempo dedicado a tareas repetitivas, sino que también mejora la calidad y la confiabilidad de la información generada, elementos cruciales para la toma de decisiones estratégicas en entornos de marketing digital.
Inicialmente, la investigación se centró en la transición del proceso manual al flujo automatizado, que era la rutina de seguimiento del canal de correo electrónico. Antes de la implementación del prototipo, el equipo de Business Intelligence ejecutaba diariamente un proceso manual. Semanalmente, los datos se extraían de informes operativos, pasaban por etapas de tratamiento y estandarización, incluyendo ajustes de campos, validaciones de consistencia y cálculo de indicadores, y se publicaban en un panel para informes ejecutivos. Este proceso, además de consumir tiempo significativo, aumentaba la probabilidad de divergencias entre las versiones de los datos y dificultaba la reutilización de la metodología para otros canales de comunicación.
Transición del proceso manual al flujo automatizado
La transición al flujo automatizado representó un cambio paradigmático en la gestión de los datos de email marketing. El modelo manual, que dependía en gran medida de la intervención humana, era propenso a errores e inconsistencias, además de ser ineficiente en términos de tiempo. La automatización, por su parte, fue concebida para ser reutilizable en otros canales de comunicación digital, como notificaciones en aplicaciones, mensajes instantáneos, SMS y atención telefónica. La única etapa manual necesaria en el nuevo flujo es la configuración inicial de la base de datos de entrada para cada canal y sus respectivos conectores, lo que demuestra la escalabilidad y la flexibilidad de la solución desarrollada.
Este cambio es fundamental para organizaciones que buscan una gestión orientada a datos, donde la agilidad y la precisión de la información son cruciales. La dependencia de intervenciones manuales en múltiples fases del proceso, desde la extracción hasta la actualización del dashboard, no solo elevaba el tiempo operativo, sino que también comprometía la trazabilidad de la información. En escenarios con gran volumen de campañas y actualizaciones frecuentes, la fragilidad del proceso manual se convertía en un cuello de botella significativo, impactando directamente la capacidad del equipo de Business Intelligence de proporcionar insights a tiempo.
Estructuración y consolidación de los datos
La estructuración y consolidación de los datos fueron etapas críticas en el desarrollo del prototipo. La base de datos fue modelada para representar múltiples envíos de campañas de email marketing a lo largo de una semana, abarcando diferentes tipos de piezas y segmentos de público. La rutina de consolidación, implementada en Google Apps Script, agregó estos registros por campaña, generando una pestaña de resumen. Esta pestaña contenía, para cada identificador de campaña, los volúmenes totales de envíos, entregas, aperturas, clics y conversiones, además de las métricas porcentuales calculadas automáticamente. Este proceso fue esencial para reducir la fragmentación de la información y garantizar una mayor consistencia en los análisis subsecuentes.
La organización de los datos a nivel de campaña, como se detalla en la metodología, se alinea con el concepto de granularidad analítica, que es el nivel de detalle en el que se estructuran los datos para su análisis. Este enfoque, como lo destacan Kimball y Ross (2013), es vital para garantizar la consistencia, comparabilidad e interpretabilidad de los indicadores a lo largo del tiempo. Al consolidar la información operativa en una unidad coherente, el estudio facilitó análisis comparativos entre diferentes envíos, permitiendo una visión más clara del rendimiento de cada campaña individualmente y en relación con el conjunto.
Automatización del proceso de consolidación
La automatización del proceso de consolidación representó una de las principales ganancias operativas del prototipo. La ejecución de la función `actualizarResumenEmail` en Google Apps Script permitió agrupar los datos por campaña en pocos segundos, eliminando la necesidad de consolidaciones manuales en hojas de cálculo. En un escenario de uso recurrente, esta rutina puede ser programada para ejecutarse en intervalos predefinidos, garantizando que la información del dashboard permanezca actualizada sin intervención manual. Desde el punto de vista metodológico, la automatización asegura que las mismas reglas de cálculo se apliquen de forma uniforme a todos los períodos analizados, lo cual es fundamental para la validez de las comparaciones.
Esta estandarización de los cálculos y la aplicación consistente de las reglas de negocio son elementos clave para la confiabilidad de los datos. La intervención humana en procesos de cálculo manual, como ocurría anteriormente, introducía un riesgo inherente de errores e inconsistencias. Con la automatización, la lógica de cálculo se define una única vez en el script y se aplica de forma idéntica a todos los datos, garantizando la integridad y la comparabilidad de las métricas a lo largo del tiempo. Este avance es crucial para la construcción de indicadores robustos que apoyen la gestión, como defendido por Martins y Costa Neto (1998).
Construcción y uso del dashboard gerencial
El dashboard Informe Semanal se construyó en Looker Studio a partir de la pestaña de resumen generada por el código, configurado para presentar, en su capa superior, indicadores agregados de envíos, entregas, aperturas, clics y conversiones. Además, el panel mostraba las tasas medias ponderadas para cada métrica, ofreciendo una visión ejecutiva del rendimiento general. En la capa intermedia, se dispusieron gráficos de barras que destacaban las campañas con mejor rendimiento relativo en términos de tasa de clics y tasa de conversión, facilitando la identificación rápida de éxitos y áreas de mejora.
El diseño del panel priorizó la lectura ejecutiva, con el objetivo de facilitar la interpretación por parte de los decisores y la comparación entre campañas. La inclusión de recursos de filtrado por período y por categoría de campaña permitió análisis más específicos por parte de los usuarios de negocio, adaptando la visualización a sus necesidades. La capacidad del panel de apoyar comparaciones rápidas entre campañas, con una estructura en tabla que utilizaba coloración condicional para identificar desempeños por encima o por debajo de la media, demostró su utilidad como instrumento de apoyo en reuniones periódicas de gestión, conforme a la importancia de la presentación de resultados en investigaciones cualitativas (Creswell, 2014).
Análisis preliminar de los indicadores
El análisis preliminar de los indicadores se realizó con base en 99 campañas consolidadas en el panel. El total observado fue de 8.890.823 envíos, resultando en 8.416.272 entregas, 2.135.526 aperturas, 714.353 clics y 242.700 conversiones. En términos agregados, la tasa media ponderada de entrega fue del 94,66%, la tasa media ponderada de apertura alcanzó el 25,37%, la tasa media ponderada de clic fue del 8,49% y la tasa media ponderada de conversión fue del 2,88%. Estos valores proporcionan un referencial cuantitativo objetivo para la evaluación del comportamiento del embudo de email marketing analizado, permitiendo una base sólida para futuras comparaciones y optimizaciones.
Se observó que las tasas de entrega se mantuvieron elevadas y relativamente estables entre las campañas, lo que sugiere una buena capacidad de distribución de los mensajes a los destinatarios. Las tasas de apertura, por otro lado, presentaron una mayor variación, reflejando diferencias en el interés del público, la adecuación del asunto y la segmentación de las campañas. Las tasas de clics fueron inferiores a las tasas de apertura, como se esperaba en estructuras de embudo, lo que indica que no todos los usuarios que ven el mensaje realizan interacciones adicionales. Las tasas de conversión, a su vez, presentaron un nivel más bajo, compatible con el comportamiento esperado en campañas de marketing digital, donde solo una fracción de los usuarios que hacen clic completa la acción deseada.
Evaluación del impacto de la automatización
La implementación de la solución automatizada permitió una comparación directa con el proceso manual utilizado anteriormente. En el modelo manual, la extracción y consolidación de los datos requerían intervención diaria, lo que aumentaba el riesgo de inconsistencia y el tiempo operativo. Con la automatización, estas etapas pasaron a ocurrir de forma estandarizada y recurrente, resultando en mayor confiabilidad de los datos, reducción de errores y mayor agilidad en la generación de análisis. Este cambio es crucial para la eficiencia de las operaciones de Business Intelligence y para la calidad de la información que subsidia las decisiones gerenciales.
En términos operativos, la reducción del tiempo dedicado a las actividades de consolidación y validación de datos fue expresiva. Antes de la automatización, el equipo de Business Intelligence dedicaba aproximadamente 8 horas semanales a estas tareas. Con el flujo automatizado, este tiempo se redujo a menos de 1 hora por semana, con la actuación restringida a actividades puntuales de monitoreo y mantenimiento del proceso. Esta ganancia de eficiencia es uno de los resultados más tangibles del estudio, liberando al equipo para actividades de mayor valor agregado, como la interpretación y la proposición de estrategias, en lugar de dedicarse a tareas repetitivas y manuales.
Escenarios de uso del dashboard para apoyo a la decisión
El panel automatizado demostró su capacidad para identificar rápidamente variaciones en la entregabilidad y errores operativos por campaña, ofreciendo soporte directo a la toma de decisiones. En un escenario de caída en la tasa de entrega, por ejemplo, la visualización facilitaría la detección del problema en el mismo día, orientando acciones como la revisión de la segmentación, la verificación de la reputación del dominio o el ajuste de reglas de envío antes de que la anomalía se propagara. Esta agilidad en la identificación de problemas es un diferencial significativo para la gestión proactiva de campañas de email marketing.
Otro escenario relevante para el uso del dashboard ocurre cuando la tasa de apertura permanece alta, pero la tasa de clics no sigue el mismo patrón. Esta combinación de métricas puede indicar un desajuste entre el asunto del mensaje, el contenido y la llamada a la acción, sugiriendo la necesidad de probar variaciones de mensajes, revisar el destino del clic y adecuar la oferta al segmento impactado. La capacidad de cruzar e interpretar estos indicadores permite a los gestores identificar puntos de fricción en el embudo de marketing e implementar mejoras dirigidas, optimizando el rendimiento de las campañas.
Finalmente, el análisis conjunto de las tasas de clics y conversión permite priorizar campañas con mayor eficiencia en el embudo completo. Al comparar piezas con un rendimiento similar en apertura, pero diferente en conversión, el liderazgo puede dirigir esfuerzos hacia trayectorias y segmentos con un mayor retorno esperado. Además, el dashboard facilita el establecimiento de metas operativas por indicador para ciclos semanales de seguimiento, transformando datos brutos en información accionable para la gestión. Esta funcionalidad refuerza el papel del dashboard como una herramienta estratégica para la optimización continua de las campañas.
Lectura analítica de los indicadores del embudo
La lectura conjunta de los indicadores evidencia que el principal potencial analítico del dashboard reside en la interpretación encadenada del embudo de rendimiento, y no solo en la visualización aislada de las métricas. En términos agregados, la tasa de entrega superior al 94% indica estabilidad operativa en la distribución de las campañas. Las mayores variaciones, sin embargo, se concentraron en las etapas de apertura y clic, sugiriendo que los principales diferenciales de rendimiento entre campañas están más asociados al contenido, a la atratividad del mensaje y a la adecuación de la segmentación, en lugar de fallos de envío. Esta percepción dirige el foco del análisis hacia aspectos más estratégicos del marketing.
Este comportamiento refuerza la utilidad gerencial del panel de control como instrumento de priorización analítica. En lugar de concentrar la evaluación solo en volúmenes absolutos, la solución permite identificar en qué etapas del embudo ocurren las principales pérdidas relativas de desempeño, ofreciendo subsidios para decisiones más precisas sobre el asunto, la segmentación, la llamada a la acción y la jornada de conversión. Así, la automatización del panel amplía la capacidad analítica del equipo al transformar datos operativos dispersos en evidencias comparables y accionables, incluso en un estudio de carácter aplicado y descriptivo, como este.
Comparación entre el proceso manual y el automatizado
El análisis de los flujos de trabajo reveló diferencias estructurales significativas entre el proceso manual y el automatizado de consolidación de datos. En el modelo manual, la ejecución de las etapas dependía directamente de la intervención humana en diversas fases, incluyendo la extracción de informes, el tratamiento, la estandarización, el cálculo de indicadores y la actualización del panel. Esta dependencia aumentaba el tiempo operativo, elevaba el riesgo de inconsistencias y dificultaba la trazabilidad de la información, especialmente en escenarios con múltiples campañas y actualizaciones frecuentes, lo que comprometía la agilidad y la fiabilidad de los análisis.
Por otro lado, el proceso automatizado centraliza las etapas críticas en rutinas programadas, destacando la ejecución de consultas SQL, el procesamiento vía script y la actualización automática del panel. Este modelo reduce significativamente la necesidad de intervención manual, garantizando mayor estandarización de las reglas de cálculo y mayor consistencia en los resultados a lo largo del tiempo. La automatización también permite mayor escalabilidad del proceso, posibilitando su replicación para otros canales de comunicación sin un aumento proporcional del esfuerzo operativo. La trazabilidad se mejora, ya que las transformaciones de los datos se definen por reglas explícitas implementadas en código, facilitando auditorías y validaciones futuras.
La principal diferencia entre los dos modelos reside en la transición de un proceso operativo fragmentado y dependiente de acciones manuales a un flujo integrado, estandarizado y orientado a la automatización. Este cambio resulta en ganancias sustanciales de eficiencia, confiabilidad y agilidad en la generación de análisis. El proceso manual, con su tiempo operativo directo de aproximadamente 8 horas semanales y consolidación manual en hojas de cálculo, presentaba un alto riesgo de inconsistencia. En contraste, el proceso automatizado redujo el tiempo operativo a menos de 1 hora semanal, con consolidación automática vía script, estandarización de los cálculos por regla programada y un riesgo de inconsistencia significativamente menor, además de un elevado potencial de replicación para otros canales.
En resumen, la automatización del proceso de recopilación, consolidación y visualización de datos de email marketing demostró un impacto positivo y multifacético. La reducción del esfuerzo operativo de 8 horas semanales a menos de 1 hora, la estandarización de las métricas, la trazabilidad de los cálculos y la agilidad en la generación de análisis confirman que la solución desarrollada contribuye significativamente a la eficiencia operativa y la consistencia analítica. El dashboard gerencial, al sintetizar el comportamiento del embudo de email marketing e identificar patrones de desempeño, cualifica el uso gerencial de los datos, proporcionando un instrumento eficaz de apoyo a la gestión orientada por datos y respondiendo al objetivo central del estudio.
4. Conclusión
El presente estudio buscó evaluar el impacto de la automatización del proceso de recolección, consolidación y visualización de datos de email marketing sobre la eficiencia operacional y la consistencia analítica. Se verificó que la implementación de un flujo automatizado resultó en una reducción expresiva del esfuerzo operacional, disminuyendo el tiempo dedicado a la consolidación de datos de aproximadamente 8 horas semanales a menos de 1 hora por semana. Además, la solución desarrollada promovió mayor estandarización de las métricas, mejoró la rastreabilidad de los cálculos y otorgó mayor agilidad en la generación de análisis. El dashboard gerencial, al sintetizar el comportamiento del embudo de email marketing, permitió identificar patrones de desempeño y puntos de atención en las etapas de entrega, apertura, clic y conversión, con las mayores variaciones concentradas en las tasas de apertura y clic, sugiriendo que los diferenciales de performance están asociados al contenido y a la segmentación. Así, la automatización de dashboards constituye un instrumento eficaz de apoyo a la gestión orientada por datos, transformando datos operacionales dispersos en evidencias comparables y accionables.
Como limitaciones del estudio, se destacan la dependencia de un contexto organizacional específico y la necesidad de anonimización de la base de datos, lo que redujo parte del detalle contextual de las campañas. Sin embargo, la arquitectura propuesta presenta potencial de adaptación para otros canales de comunicación digital y para nuevas aplicaciones analíticas. Para estudios futuros, se sugiere la ampliación del conjunto de métricas y la incorporación de análisis estadísticos comparativos para investigar asociaciones entre el rendimiento de las campañas y variables adicionales, como el horario de procesamiento o las características del perfil del correo electrónico. Adicionalmente, la evaluación de modelos predictivos para estimar el rendimiento de las campañas y la automatización de una segunda fase del proceso analítico, con herramientas de inteligencia artificial para la identificación de anomalías y la generación de recomendaciones, podrían profundizar la contribución del dashboard, manteniendo la validación humana de las interpretaciones.
Referencias Bibliográficas
Creswell, J.W. 2014. Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. 4ed. SAGE Publications, Thousand Oaks, CA, EUA.
Davenport, T.H.; Harris, J.G. 2007. Competing on Analytics: The New Science of Winning. 1ed. Harvard Business Press, Boston, MA, EUA.
Farris, P.W.; Bendle, N.T.; Pfeifer, P.E.; Reibstein, D.J. 2010. Marketing metrics: The definitive guide to measuring marketing performance. 2ed. Pearson Education, Upper Saddle River, NJ, EUA. Disponível em: <https://pergamum-biblioteca.pucpr.br/acervo/339190>. Acesso em: 12. jan. 2026.
Gil, A.C. 2008. Métodos e técnicas de pesquisa social. 6ed. Atlas, São Paulo, SP, Brasil.
Kimball, R.; Ross, M. 2013. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3ed. Wiley, Hoboken, NJ, EUA.
Kotler, P.; Keller, K.L. 2016. Administração de marketing. 16ed. Pearson Education, São Paulo, SP, Brasil. Disponível em: <https://pergamum-biblioteca.pucpr.br/acervo/378796>. Acesso em: 10 jan. 2026.
Lakatos, E.M.; Marconi, M.A. 2017. Fundamentos de metodologia científica. 8ed. Atlas, São Paulo, SP, Brasil.
Martins R.A.; Costa Neto P.L.O. 1998. Indicadores de desempenho para a gestão pela qualidade total: uma proposta de sistematização. Gestão & Produção 5(3): 298-311.
Pinheiro, E.V. 2026. tcc_email_dashboard_repo. GitHub, 2026. Disponível em: <https://github.com/enzovp01/tcc_email_dashboard_repo>. Acesso em: 09 fev. 2026.
Provost, F.; Fawcett, T. 2013. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O’Reilly Media, Sebastopol, CA, EUA.
Yin, R.K. 2015. Estudo de caso: planejamento e métodos. 5ed. Bookman, Porto Alegre, RS, Brasil.
Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq
Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy